1:处理异常值:比如adaboost 可能过度关注异常值,所以可以先过滤异常值
2:为标准化 使用 L1/L2正则化有失偏颇,标准化之前,对应不同尺度上的特征,可能权重就不一样,这样正则化对不同的特征惩罚力度不一样
3:线性回归,逻辑回归只能发现线性关系。除非人为的编码非线性关系(比如做一个x => x^2的映射)
4:未经标准化:回归系数不能说明不同维度之间相对重要程度,归一化之后,只能一定程度上说明:因为有相关关系的特征,权重会相互转移。
5:样本少于维度时应使用低方差方法:否则很容易过拟合
机器学习常见使用误区
最后编辑于 :
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。
推荐阅读更多精彩内容
- 注:题中所指的『机器学习』不包括『深度学习』。本篇文章以理论推导为主,不涉及代码实现。 前些日子定下了未来三年左右...
- 机器学习是做NLP和计算机视觉这类应用算法的基础,虽然现在深度学习模型大行其道,但是懂一些传统算法的原理和它们之间...
- 谷歌开发者机器学习词汇表:纵览机器学习基本词汇与概念 姓名:钟航 转载自:http://mp.weixin.qq....
- A 准确率(accuracy) 分类模型预测准确的比例。在多类别分类中,准确率定义如下: 在二分类中,准确率定义为...